Python爬虫 —— 使用BeautifulSoup4解析HTML文档

Python爬虫 —— 使用BeautifulSoup4解析HTML文档

---

1.BeautifulSoup4简介

1.1 BS4与lxml

开门见山！我们先来聊聊BS4是个啥，它能干啥，BS4是一个从HTML和XML文件中提取数据的python库，它可以将复杂HTML文件转换为一个复杂的树形结构，这棵树的每一个结点都是Python对象，所有对象都可以归纳为4类，我们在后面会说

BeautifulSoup会自动将输入文档转换为Unicode编码，将输入文档转换为utf-8编码

lxml与BS4一样是优秀的python解释器，它也是，但是这二者有什么样的区别，决定了我们为什么选择BeautifulSoup，lxml是从文档的局部入手，只能局部遍历，但BS4就不一样了，它会载入整个文档，解析整个DOM树，正是因为这个工程量巨大，所以BS4会有很大的时间和空间的开销，整体性能是低于lxml的

但是我们使用BeautifulSoup4必有其原因：BS4用来解析HTML比较简单，API设计也是非常的银性化（人性化）方便我们使用，它也支持CSS选择器，这对于解析整个DOM树的BS4可谓是如虎添翼，它还支持Python标准库中的HTML解析器和lxml的XML解析器

1.2 BeautifulSoup的4类对象

我们前面说：“将复杂HTML文件转换为一个复杂的树形结构，这棵树的每一个结点都是Python对象”，这些python可以大致分为4类：Tag、NavigableString、BeautifulSoup和Comment，我们通过几个例子来熟悉一下这四类对象的使用方法：

• 1.Tap 标签及其内容，但默认只拿到第一个
• 2.NavigableString 标签里的内容（字符串）
• 3.BeautifulSoup 表示整个文档
• 4.Comment 是一个特殊的NavigableString类型，但输出的内容不包含注释

首先第一步就是导包：from bs4 import BeautifulSoup；然后通过文件操作的语句来打开我们项目中的一个html文件，用一个file对象接收我们的html文件后想要让BeautifulSoup解析它，我们还需要传入一个解析器：html.parser

from bs4 import BeautifulSoup
import re
file = open("./Demo.html", "rb")
html = file.read().decode("utf-8")
# 通过html.parser解析器把我们的HTML解析成了一棵树
bs = BeautifulSoup(html, "html.parser")
# 1.Tap
print("1. Tap的例子：获取title")
print(bs.title)
# 2.NavigableString
print("2. NavigableString的例子：获取title的string内容和div的属性")
print(bs.title.string)
print(bs.div.attrs)     # 获取标签中的所有属性，并返回一个字典
# 3.BeautifulSoup
print("3. BeautifulSoup的例子：获取整个html文档的name")
print(bs.name)
# 4.Comment
print("4. Comment的例子：获取a的string")
print(bs.a.string)

按照以往管理咱来看看代码！从第7行开始我们对这四类对象做了实例解释，对应Tap类型，我们打印了bs.title，即这个HTML文档的标签的全部信息，第12、13行我们通过bs.title.string和bs.div.attrs打印了标签内的信息，title的string信息和div盒子的属性，后面的代码也是同样的道理

2.文档搜索方式

我们在通过网页的地址获取到其源码后不可能直接使用，所以我们在获取HTML源码后要先对其进行信息的定向搜索和筛选，然后再供我们使用，对应BeautifulSoup的文档搜索，它提供了这样几种搜索方式：使用find_all()方法直接搜索、使用kwargs指定参数进行搜索、指定字符串搜索（常与正则表达式匹配使用）和设置limit参数进行搜索，我们依旧通过一些实际操作来掌握这些搜索方法

2.1 使用find_all()搜索

• 字符串过滤：会查找与字符串完全匹配的内容（注意一定是完全匹配）
• 正则表达式搜索：使用search()方法匹配内容，它搜索的对象依旧是一个标签，一个整体而不是拆分开来

t_list = bs.find_all("a")
t_list02 = bs.find_all(re.compile("a"))

对应字符串搜索，我们往find_all()方法中传入了一个字符串"a"，进行整个文档的字符串过滤，只有含有单个"a"的内容才会被筛选出来，我们使用正则表达式搜索时往find_all()方法中传入re.compile(“a”)这样的一个匹配规则，它会返回所有含有"a"的标签内容，比如等都不例外

2.2 使用kwargs指定参数搜索

同样是使用find_all()方法进行文档搜索，但是我们往其中传入的参数完全不同，举两个例子，我们要搜索id="update"的标签、有class字样的标签还有href="baidu.html"的标签

# 2.kwargs （参数）：指定参数进行搜索
print("-------(1)显示id=“update“的")
t_list03 = bs.find_all(id="update")
for item in t_list03:
    print(item)
print("-------(2)只要有class就显示出来")
t_list04 = bs.find_all(class_=True)
for item in t_list04:
    print(item)
print("-------(3)指定查找href=”baidu.html“")
t_list05 = bs.find_all(href="baidu.html")
for item in t_list05:
    print(item)

2.3 text参数搜索

使用text参数进行搜索就稍显轻松了，使用text搜索我们一般会使用列表和正则表达式搜索，这样才能达到我们定向筛选数据的效果，话不多说上代码

2.4 设置limit参数搜索

如果我们通过代码bs.find_all(class_=True)来筛选出存在"class"的部分，结果是有很多很多的，但是我们如果只想要3个结果，需要设置参数limit=x来满足我们的需求

t_text10 = bs.find_all("a", limit=3)
for item in t_text10:
    print(item)

2.5 CSS选择器

相对来说通过CSS选择器来进行文档搜索就很丰富了，可以通过标签、类名、id名、标签属性和子标签等等方式来进行搜索，不一样的是我们会使用bs.select()方法来筛选

# css选择器
print("-------(1)通过标签访问")
t_css = bs.select('title')  # 通过标签访问
for item in t_css:
    print(item)
print("-------(2)通过类名访问")
t_css2 = bs.select(".col-sm-3")  # 通过类名访问
for item in t_css2:
    print(item)
print("-------(3)通过id访问")
t_css3 = bs.select("#btn_add")
for item in t_css3:
    print(item)
print("-------(4)通过标签的属性访问")
t_css4 = bs.select("button[type='submit']")
for item in t_css4:
    print(item)
# 注意不能有空格
print("-------(5)通过子标签访问")
t_css5 = bs.select("div > button")
for item in t_css5:
    print(item)

---

如果文章对您有所帮助，记得一键三连支持一下哦~